A mistura hiperespectral (HU) é uma tecnologia chave para resolver pixels mistos e caracterizar componentes da cobertura do solo. Embora a decomposição profunda de matrizes não negativas (DNMF) apresente excelente desempenho em HU, os métodos existentes focam principalmente na modelagem da abundância, negligenciando a extração de características multiníveis dos endmembers e possuindo capacidade insuficiente de representação não linear, limitando a precisão da mistura. Portanto, este artigo propõe uma estrutura DNMF orientada para análise em níveis dos endmembers, introduzindo uma restrição de ortogonalidade intercamadas no subespaço dos endmembers e uma regularização esparsa dinâmica para refinar a abundância. Primeiramente, a decomposição multinível dos endmembers melhora a expressividade não linear do espectro; em segundo lugar, é projetado um mecanismo de ortogonalidade do subespaço guiado pela distância mínima para aumentar a separabilidade dos endmembers, que, em sinergia com uma estratégia de esparsidade ponderada dinâmica, melhora a consistência espacial da estimativa da abundância; por fim, é construído um algoritmo hierárquico de otimização em dois estágios, com inicialização grosseira pré-treinada e ajuste fino via retropropagação entre camadas. Experimentos em dois conjuntos de dados sintéticos e quatro conjuntos de dados reais mostraram que o método alcança SAD entre 0,0042 e 0,0782 e RMSE entre 0,0140 e 0,0925 sob diferentes relações sinal-ruído, superando os métodos comparativos em 1,42% a 5,64% e 1,87% a 6,48%, respectivamente, validando sua precisão e robustez.

mistura hiperespectral; decomposição profunda de matrizes não negativas; discriminação de endmembers; restrição de ortogonalidade; regularização esparsa hierárquica